车道线检测-PolyLaneNet 论文学习笔记

Posted 2023-03-02 tomeasure

• 论文：《PolyLaneNet: Lane Estimation via Deep Polynomial Regression》
• 代码：https://github.com/lucastabelini/PolyLaneNet
• 地址：https://arxiv.org/pdf/2004.10924.pdf
• 参考：https://blog.csdn.net/sinat_17456165/article/details/107171888
• 利用 CNN，基于三次曲线拟合车道线

模型的输入与输出

输入

单张车辆前向图

输出

曲线参数 ${\mathcal{P}}_j=a_{k,j}{}_{k=0}^K$、地平线高度 $h$、车道线的存在性 $c_j$、车道线起始高度 $s_j$（见下图）

其中，曲线参数确定了车道线的形状：

$$p_j(y)={\Sigma }_{k=0}^K{a}_{k,j}{y}^k$$

模型结构

backbone + fully connected layer

f ( I ; θ ) = ( P j , s j , c j j = 1 M m a x , h ) f(I;\\theta)=(\\\\mathcalP_j,s_j,c_j\\^M_max_j=1, h) f(I;θ)=(Pj​,sj​,cj​j=1Mmax​​,h)

损失函数

L ( P j , h , s j , c j ) = W p L p ( P j , L j ∗ ) + W s 1 M Σ j L r e g ( s j , s j ∗ ) + W c 1 M Σ j L c l s ( c j , c j ∗ ) + W h L r e g ( h , h ∗ ) \\beginaligned L(\\\\mathcalP_j\\,h,\\s_j\\,\\c_j\\)&=W_p L_p(\\\\mathcalP_j\\,\\\\mathcalL^*_j\\)\\\\&+W_s\\frac1M\\Sigma_j L_reg(s_j,s^*_j)\\\\&+W_c\\frac1M\\Sigma_j L_cls(c_j,c^*_j)\\\\&+W_h L_reg(h,h^*) \\endaligned L(Pj​,h,sj​,cj​)​=Wp​Lp​(Pj​,Lj∗​)+Ws​M1​Σj​Lreg​(sj​,sj∗​)+Wc​M1​Σj​Lcls​(cj​,cj∗​)+Wh​Lreg​(h,h∗)​

其中，

L p ( P j , L j ∗ ) = L r e g ( x j , x j ∗ ) L_p(\\\\mathcalP_j\\,\\\\mathcalL^*_j\\)=L_reg(\\pmbx_j,\\pmbx^*_j) Lp​(Pj​,Lj∗​)=Lreg​(xj​,xj∗​)
$$x_j=[x_{1,j},...,x_{N,j}]$$
$$x_{i,j}=\begin{array}{l}{p}_j(y_{i,j}^{\ast }),if|p_j(y_{i,j}^{\ast })-x_{i,j}^{\ast }|>{\tau }_{loss}\\ 0,otherwise\end{array}$$

注意这里的0，可以这样理解：设置0之后，就不用计算对应位置的 grad 了。